1.9 KiB
1.9 KiB
有的 👍！在机器学习里，除了 分类 和 回归 这两大基本模式，还有很多其他的学习/预测模式。给你梳理一下常见的：
🔹 1. 分类（Classification）
- 输出离散类别。
- 例：猫/狗识别，垃圾邮件检测。
🔹 2. 回归（Regression）
- 输出连续数值。
- 例：房价预测，气温预测。
🔹 3. 聚类（Clustering）
- 无监督学习，把数据自动分组，没有标签。
- 例：客户分群、基因数据分群。
🔹 4. 降维（Dimensionality Reduction）
- 把高维数据压缩到低维，同时尽量保留重要信息。
- 例：PCA（主成分分析）、t-SNE。
- 应用：可视化、数据压缩、去噪。
🔹 5. 生成（Generation）
- 学习数据分布，生成新的样本。
- 例：GAN 画图、ChatGPT 写文章、扩散模型画图。
🔹 6. 强化学习（Reinforcement Learning）
- 通过“试错 + 奖励”学习最优策略。
- 例：AlphaGo 下围棋、机器人学走路。
🔹 7. 排序 / 推荐（Ranking & Recommendation）
- 给一组候选结果排序或推荐。
- 例：搜索引擎结果排序、推荐系统（推荐电影/商品）。
🔹 8. 异常检测（Anomaly Detection）
- 找到与大部分数据不一样的“异常点”。
- 例：信用卡欺诈检测、设备故障报警。
🔹 9. 分割（Segmentation）
- 主要在计算机视觉里，把图像按像素划分类别。
- 例：自动驾驶里，把“车道线/行人/车辆”分开。
✅ 总结：
- 监督学习：分类、回归
- 无监督学习：聚类、降维
- 生成模型：GAN、扩散模型
- 强化学习：策略优化
- 应用扩展：排序、推荐、异常检测、分割
要不要我给你整理一个 思维导图式的分类图（机器学习主要模式全景图），这样你一眼就能看到它们的关系？
\hat{l}\hat{c}\hat{j}